优化前沿性能曲线

企业 AI7/31 01:56Microsoft Source查看原文 ↗

摘要

微软通过发布一系列针对特定任务优化的MAI模型，在保持或超越前沿性能的同时大幅降低token使用和GPU成本，强调token效率与系统整体优化是未来方向。

核心要点

MAI-Cyber-1-Flash在CyberGym基准测试中排名第一，比Mythos高12个百分点，成本降低50%，运行在H100上。
MAI-Code-1-Flash在VS Code中代码接受率提高10%，中位token使用量比GPT-5.4 Mini和Claude Haiku 4.5低10%。
MAI-Image-2.5-Flash在PowerPoint中GPU成本降低84%，在OneDrive中保存率提高26%，token效率提升2.5倍。
MAI-Voice-2-Flash为Dynamics 365 Contact Center服务，为T-Mobile和EasyJet等客户减少GPU成本高达89%。
MAI-Transcribe-1.5支持58种语言，在Dragon Copilot中错误率降低50%，服务170,000医疗提供者。

原文佐证

the system landed at No.1 on the leading CyberGym benchmark – beating Mythos by 12ppts – at 50% of the cost
reducing GPU costs up to 84% compared with GPT-Image-2
40% better performance per watt running MAI models on Maia 200

AI 洞察

微软的策略表明，AI竞争正从单纯的模型规模转向效率与成本优化。通过模型-系统协同设计，将大模型仅用于最困难任务，可大幅降低部署成本，这可能改变企业AI应用的商业模式。此外，自研芯片与模型协同优化提供了差异化优势，增强了供应链韧性。